CN103313354B - 基于四种权值向量的异构网络选择方法 - Google Patents

Abstract

本发明是一种基于四种权值向量的异构网络选择方法，该方法通过综合四个网络属性权值获取一个综合权重向量，并通过相容性检验保证其合理性。然后结合SAW方法进行网络选择。该方法充分考虑当前网络状况并能根据业务类型提供令人满意的服务质量。具体步骤如下：首先赋予客观参数通过熵值法和标准离差法计算出客观网络属性权值向量，赋予主观参数通过AHP法和G-1法分别得到各自的主观网络属性权值向量，四种方法代表了四个决策者，利用群组决策理论将四种权值向量组合生成新的权值向量，从而获取一个综合权值向量W，最后结合SAW法进行网络选择。

Description

基于四种权值向量的异构网络选择方法

技术领域

本发明涉及一种基于四种权值向量的异构网络选择方法，属于通信技术领域。

背景技术

移动通信经历了从提供模拟语音业务的第一代模拟蜂窝***1G、采用数字调制的第二代移动通信***2G到以CDMA为主流技术的第三代移动通信***3G的过程，随着无线通信的不断发展，未来的通信网络将会是包含各种无线接入技术的异构网络，例如2G，3G，UMTS，WLAN,WiMAX，WiFi等，这些不同类型的无线网络往往相互重叠覆盖，没有统一的标准接口，而且它们在覆盖范围、接入速率、容量、业务和移动性特点、网络质量等方面存在较大差别，又各有优势，比如通过多接口终端在异构网络间实现无缝接入，用户可以选择UMTS以获得好的服务质量，或者选择WiMAX以获得高数据速率，或者选择WLAN以获得较低的成本，这就需要充分利用各个网络的优势，所以异构网络的融合是未来网络通信的发展趋势。

异构网络选择是实现网络融合的关键步骤。而多属性决策方法MADM(MultipleAttributesDecisionMaking)是异构网络选择方法中最有效的方法之一。经典的MADM方法包括简单加权方法SAW、乘法指数权值方法MEW、接近理想值的排序方法TOPSIS、灰色关联分析法GRA、VIKOR法和淘汰选择法ELECTRE等。这些多属性决策方法都会涉及多属性权重向量，多属性权重的向量，一般要考虑网络的客观属性，也应当充分考虑用户偏好以及业务类型。常用的客观赋权法包括熵权法EW（EntropyMethod）和标准离差法等；经典的主观赋权法包括层次分析法AHP(AnalyticHierarchyProcess)和G-1法。

很多方法将主客观权重综合起来进行网络选择。《无线电工程》2009年第39卷第1期刊载的“一种多属性决策的异构网络选择算法”，作者：王康，曾志民，冯春燕，张天魁（北京邮电大学通信网络综合技术研究所），提出采用AHP求主观权重，熵权法求客观权重，然后将二者线性加权，结合SAW方法给出一种网络选择方法，但此方法并未给出线性加权系数的求法，即权重向量的确定太过随意。《InformationComputingandApplicationsLectureNotesinComputerScience》出版的编号为“6377/2010:213-220”文献“ANovelAHPandGRABasedHandoverDecisionMechanisminHeterogeneousWirelessNetworks”提出一种AHP结合GRA的网络选择方法，这种方法应用复杂度较大，并且没有足够的理论支撑。并且上述两种方法虽然主客观兼顾，能考虑网络的客观情况并能兼顾用户偏好，但能充分考虑业务类型。《中国邮电学报》2012年十月出版的编号为“19（5）：92-98”的文献“Networkselectionbasedonmultipleattributedecisionmakingandgroupdecisionmakingforheterogeneouswirelessnetworks”采用AHP求主观权重，熵权法求客观权重，然后对二者进行群组决策，得到一种权衡算法，但只采用两个决策者时，决策者参与数量太少，使得群组决策并不能充分利用其集合多个决策者智慧的特点。

发明内容

技术问题：本发明的目的是提供一种基于四种权值向量的异构网络选择方法，该方法利用多属性决策方法得到的多种属性权重向量，基于群组决策理论，对它们进行组合从而获取一个几何综合权值向量。该结果如果不满足相容性要求，则需要修改主观赋权法的判决矩阵，再次计算，直到得到一个满足相容性要求的综合权重向量，然后结合SAW法进行网络选择，该方法可以为不同业务类型提供令人满意的服务质量。

本发明针对现有技术的不足，提出了一种改进的基于群组决策的组合权重的方法。首先通过G-1法和AHP法分别得到各自的主观网络属性权值向量，然后利用熵值法和标准离差法计算出各自的客观网络属性。四种方法代表了四个决策者，两个主观决策者，两个客观决策者，决策者数量适中而且具有代表性，也同时避免了上述方法的问题。

技术方案：本发明即一种基于四种权值向量的异构网络选择方法，通过综合多个决策者的智慧，考虑网络客观属性，用户偏好和业务类型，并根据业务类型可以提供更令人满意的网络选择。

在基于四种权值向量的异构网络选择方法中，首先要获取网络属性权重。多属性决策一般都会涉及权重向量的确定，传统的权重向量的确定方法可以分为主观赋权法和客观赋权法。主观赋权法包括AHP、G-1法和Delphi法等；客观赋权法包括熵值法、标准离差法、CRITIC法等。两类赋权法各有侧重和特点。因此，为了综合考虑业务类型、用户偏好、网络客观属性等因素，并充分利用群组决策权衡和集合多个决策者结论的特点，本方法将综合多种主客观权重来得到多属性权重向量。其中主观赋权法采用AHP和G-1法，客观赋权法采用熵值法和标准离差法。使用四种赋权法得到四组权重向量后，通过群组决策获取一个综合权重向量，然后衡量其相容性来判定综合权重向量的合理性。满足相容性的综合权重向量将结合SAW法进行网络选择。

客观赋权法采用熵值法和标准离差法。在本发明的异构网络模型之下，网络选择中涉及的属性参数为可用带宽、峰值传输速率、包时延、包抖动、包丢失与每比特费用，其中：B代表带宽、R代表峰值传输速率、D代表包时延、J代表包抖动、L代表包丢失、C代表每比特费用。可以根据网络属性参数计算出属性的客观权重。

本发明的异构网络模型包含了N种异构网络。熵值法和标准离差法中假设该方法的网络属性矩阵为：

R＝(x_ij)_N×6，即N个异构网络数目，6种网络属性。

x_ij表示第i个网络的第j个属性，如：

x_i1表示第i个网络的带宽；

x_i2表示第i个网络的峰值传输速率；

x_i3表示第i个网络的时延；

x_i4表示第i个网络的抖动；

x_i5表示第i个网络的丢包率；

x_i6表示第i个网络的每比特费用；

并且1<=i<=N，1<=j<=6。

一般而言，属性分为效益型和成本型，效益型的属性越大越好，取 $x_{\max }^j=\max (x_{1j},x_{2j},...,x_{\mathrm{Nj}});$

成本型的属性越小越好，取 $x_{\min }^j=\min (x_{1j},x_{2j},...,x_{\mathrm{Nj}}).$

对于B和R，它们属于效益型属性，标准化处理公式为：

$r_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}}{x_{\max }^j+x_{\min }^j},1\&le;j\&le;2$

对于D，J，L和C，，它们属于成本型属性，标准化处理公式为：

$r_{\mathrm{ij}}=\frac{x_{\max }^i+x_{\mathrm{mim}}^i-x_{\mathrm{ij}}}{x_{\max }^j+x_{\min }^j},3\&le;j\&le;6$

通过熵值法可以得到属性的权重向量：

$W^{\mathrm{EW}}=(w_1^{\mathrm{EW}},w_2^{\mathrm{EW}},w_3^{\mathrm{EW}},w_3^{\mathrm{EW}},w_4^{\mathrm{EW}}{w}_5^{\mathrm{EW}}{w}_6^{\mathrm{EW}})$

利用标准离差法计算出的权重向量为：

$W^{\mathrm{\&sigma;}}=(w_1^{\mathrm{\&sigma;}},w_2^{\mathrm{\&sigma;}}{,w}_3^{\mathrm{\&sigma;}},w_4^{\mathrm{\&sigma;}}{,w}_5^{\mathrm{\&sigma;}}{,w}_6^{\mathrm{\&sigma;}})$

本发明主观赋权法采用AHP法以及G-1法。AHP的判断矩阵中每一个元素都是一个属性相对于另一个同准则层下的属性的权重的比例，可以将AHP判决矩阵记为B，则B矩阵写成如下形式：

$B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& ...& b_{1n}\\ b_{21}& b_{22}& ...& b_{2n}\\ ...& ...& ...& ...\\ b_{n1}& b_{n2}& ...& b_{\mathrm{nn}}\end{array}\right]=\left[\begin{array}{cccc}{w}_1/w_1& w_1/w_2& ...& w_1/w_n\\ w_2/w_1& w_2/w_2& ...& w_2/w_n\\ ...& ...& ...& ...\\ w_n/w_1& w_n/w_2& ...& w_n/w_n\end{array}\right]$

其中：n是网络属性参数总数，b_ij表示第i个属性相对于第j个属性的重要程度。关于如何确定b_ij的值，Saaty等建议引用数字1-9及其倒数作为标度。表1列出了1-9标度的含义来表示基于选择者的个性、经验和知识而进行的重要程度的参数选择。

从心理学观点来看，分级太多会超越人们的判断能力，既增加了作判断的难度，又容易因此而提供虚假数据。Saaty等人还用实验方法比较了在各种不同标度下人们判断结果的正确性，实验结果也表明，采用1-9的标度最为合适。

表1.Saaty标度

序号	重要性等级	bij赋值
			1	i,j两元素同等重要	1
2	i元素比j元素稍微重要	3
			3	i元素比j元素明显重要	5
4	i元素比j元素强烈重要	7
			5	i元素比j元素极端重要	9
6	i元素比j元素稍不重要	1/3
			7	i元素比j元素明显不重要	1/5
8	i元素比j元素强烈不重要	1/7
			9	i元素比j元素极端不重要	1/9

根据业务类型的不同，主观赋权法的判决矩阵会发生变化。AHP法中的判断矩阵为A^AHP，G-1法的判断矩阵为G^G-1。因此在每种业务类型之下，结合实际应用中各个属性之间的相对重要性，并结合Saaty标度，可以得到A^AHP和G^G-1，AHP和G-1法的不同类型判决矩阵分别在表2和表3中给出。

AHP法确定主观权重：对应于每种业务类型，结合表2，根据AHP计算权重步骤，特定业务类型条件下，可以算出AHP法确定的主观权重：

$W^{\mathrm{AHP}}=(w_1^{\mathrm{AHP}},w_2^{\mathrm{AHP}},w_3^{\mathrm{AHP}},w_4^{\mathrm{AHP}},w_5^{\mathrm{AHP}},w_6^{\mathrm{AHP}})$

G-1法确定主观权重分为三个步骤，首先根据某个评价标准对所有评价指标进行重要性排序，然后给定排序后相邻指标的重要程度比值，最后计算各个指标的权重。某种特定业务类型下的G-1法确定的主观权值向量为：

$W^{G-1}=(w_1^{G-1},w_2^{G-1},w_3^{G-1},w_4^{G-1}{w}_5^{G-1}{w}_6^{G-1})$

群组决策通过集中群体成员智慧来发挥群体决策的优势，因此所选群体成员应当具有代表性并要保证一定数量。本方法所选的四种决策成员分别为层次分析法、熵值法、G-1法和标准离差法，四种决策方法包括两种主观赋权法、两种客观赋权法，数量适中，通过群组决策获取网络属性权重参数不仅能利用多个决策者参与时群组决策的优势，更能充分考虑用户要求、业务类型以及网络状况。

设A＝（a_ij）,B＝（b_ij）和C＝（c_ij）均为n阶正互反矩阵，由A得到的排序向量为W＝（w₁,w₂,...,w_n）^T，矩阵W＝(w_i/w_j)称为A的特征矩阵。定义A和B的乘积C(A,B)＝e^T*A*B*e为A,B的相容度，其中e^T=(1,1,…1)。

为了方便，一般取其对数作为相容度，记为：一般的，LC（A,B）≥0，如果LC（A,B）=0，则A,B完全相容。

四种赋权法基于同一个网络参数矩阵，由这四种赋权法确定的排序向量分别为W^EW,W^σ,W^AHP和W^G-1，为方便计算，记：

$W^{\mathrm{ew}}=W^1=(w_1^1,w_2^1,w_3^1,w_4^1,w_5^1,w_6^1)$

$W^{\mathrm{\&sigma;}}=W^2=(w_1^2,w_2^2,w_3^2,w_4^2{,w}_5^2,w_6^2)$

$W^{\mathrm{AHP}}=W^3=(w_1^3,w_2^3,w_3^3,w_4^3,w_5^3,w_6^2)$

$W^{G-1}=W^4=(w_1^4,w_2^4,w_3^4,w_4^4,w_5^4,w_6^4)$

四个排序向量对应的特征矩阵分别为A^EW,A^σ,A^AHP和A^G-1。几何综合平均向量W＝(w₁,w₂,w₃,w₄,w₅,w₆)是对数意义下使得A^EW,A^σ,A^AHP和A^G-1与综合特征矩阵W＝(w_i/w_j)最相容的向量，即使取最小值的向量。如果W＝(w₁,w₂,w₃,w₄,w₅,w₆)使得P取最小值，那么应该有

因为解公式得：

$w_t=\left(w_t^{\mathrm{EW}}{w}_t^{\mathrm{\&sigma;}}{w}_t^{\mathrm{AHP}}{w}_t^{G-1}\right)/\underset{t=1}{\overset{6}{\mathrm{\&Sigma;}}}{\left(w_t^{\mathrm{EW}}{w}_t^{\mathrm{\&sigma;}}{w}_t^{\mathrm{AHP}}{w}_t^{G-1}\right)}^{1/4}=\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)/\underset{t=1}{\overset{6}{\mathrm{\&Sigma;}}}{\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)}^{1/4}$

结合上述公式，得到四种权重向量的几何综合平均向量：

W＝(w₁,w₂,w₃,w₄,w₅,w₆)

综合特征矩阵：

A＝[(w_i/w_j)],1≤i,j≤6

该方法把指标SI（A,B）=C(A,B)/n²称为矩阵A,B的相容性指标。

一般地，A与W具有相容性，但是，A和W的相容性完全由A决定，而当认为A和W具有满意的相容性。因此为了便于判断，该方法取作为相容性指标的边界值，边界值在表5中给出。

当衡量A和B是否相容时，当时该方法认为A和B具有令人满意的相容性。

为保证组合向量的合理性，该方法对合成权重进行相容性检验，即判断矩阵A是否与A^EW,A^σ,A^AHP，A^G-1分别具有满意的相容性，它们的相容性指标分别为：

${\mathrm{SI}}_1=\mathrm{SI}(A,A^{\mathrm{EW}})=C(A,A^{\mathrm{EW}})/6^2\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j/w_j)(w_j^{\mathrm{EW}}/w_i^{\mathrm{EW}})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{\mathrm{EW}})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{\mathrm{EW}}/w_j)/6^2$

${\mathrm{SI}}_2=\mathrm{SI}(A,A^{\mathrm{\&sigma;}})=C(A,A^{\mathrm{\&sigma;}})/6^2=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_j)(w_j^{\mathrm{\&sigma;}}/w_i^{\mathrm{\&sigma;}})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{\mathrm{\&sigma;}})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{\mathrm{\&sigma;}}/w_j)/6^2$

${\mathrm{SI}}_3=\mathrm{SI}(A,A^{G-1})=C(A.A^{G-1})/6^2=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_j)(w_j^{G-1}/w_i^{G-1})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{G-1})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{G-1}/w_j)/6^2$

${\mathrm{SI}}_4=\mathrm{SI}(A,A^{\mathrm{AHP}})=C(A,A^{\mathrm{AHP}})/6^2$

当四个相容性指标同时小于同阶相容性指标临界值则说明合成的权重符合相容性要求。利用群组决策得到的权值向量来进行网络选择，即获取权重之后，结合SAW方法，每个网络的性能函数可以表示为：

最佳网络为： $F^{*}=\arg \underset{i\&Element;N}{\max }\underset{j\&Element;6}{\mathrm{\&Sigma;}}{w}_j{r}_{\mathrm{ij}.}$

本发明将群组决策的内容运用到网络选择过程中，考虑了网络客观属性，用户需求和业务类型。

有益效果：

1.采用群组决策理论获取综合网络属性权重时，采用四个决策者，数量适中并分别具有代表性，综合权重通过相容性理论检验保证其合理性，即权重的确定明确而又有充分理论支撑，并正确充分利用组合理论，网络选择过程又不至于过分复杂。

2.网络选择过程中通过综合多个决策者智慧达到考虑网络客观属性、用户偏好以及业务类型的影响。并且能根据业务类型的不同通过给定不同的判决矩阵为不同业务类型下的用户提供满意的QoS。

附图说明

图1为本发明的网络选择框图。

图2为本发明的方法具体流程图。

图3为会话类业务的时延仿真图。

图4为会话类业务的抖动仿真图。

图5为会话类业务的吞吐量仿真图。

图6为流媒体业务的抖动仿真图。

图7为流媒体业务的丢包率仿真图。

图8为流媒体业务的吞吐量仿真图。

图9为交互型业务的丢包率仿真图。

图10为交互型业务的吞吐量仿真图。

图11为交互型业务的代价仿真图。

图12为背景类业务的代价仿真图。

图13为背景类业务的丢包率仿真图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本发明的思路是将群组决策和相容性理论运用到解决异构网络垂直切换过程中网络选择的各属性参数的权重，在此权重基础上对网络进行排序并选择代价函数最大的网络如图1所示，首先赋予客观参数通过熵值法和标准离差法计算出客观网络属性权值向量，赋予主观参数通过AHP法和G-1法分别得到各自的主观网络属性权值向量，四种方法代表了四个决策者，利用群组决策理论将四种权值向量组合生成新的权值向量，从而获取一个综合权值向量W，最后结合SAW法进行网络选择。

整个网络切换过程采用群组决策方法实现网络选择的详细流程图见图2。

一、客观权重的确定

本发明异构网络模型包含了N种异构网络，网络选择中涉及的属性参数为可用带宽、峰值传输速率、包时延、包抖动、包丢失与每比特费用，本方法中B代表带宽、R代表峰值传输速率，D代表包时延、J代表包抖动、L代表包丢失、C代表每比特费用。假设熵值法和标准离差法中的标准化的网络属性矩阵为：

R＝(x_ij)_N×6，即N个异构网络数目，6种网络属性。其中：

x_ij表示第i个网络的第j个属性，如：

x_i1表示第i个网络的带宽；

x_i2表示第i个网络的峰值传输速率；

x_i3表示第i个网络的时延；

x_i4表示第i个网络的抖动；

x_i5表示第i个网络的丢包率；

x_i6表示第i个网络的每比特费用，并且1<=i<=N，1<=j<=6。

一般而言，属性分为效益型和成本型，效益型的属性越大越好：取 $x_{\max }^j=\max (x_{1j},x_{2j},...,x_{\mathrm{Nj}});$

成本型的属性越小越好：取 $x_{\min }^j=\min (x_{1j},x_{2j},...,x_{\mathrm{Nj}}).$

对于B和R，它们属于效益型属性，标准化处理公式为：

$r_{\mathrm{ij}}=\frac{x_{\mathrm{ij}}}{x_{\max }^j+x_{\min }^j},1\&le;j\&le;2---\left(1\right)$

对于D，J，L和C，它们属于成本型属性，标准化处理公式为：

$r_{\mathrm{ij}}=\frac{x_{\max }^i+x_{\min }^i-x_{\mathrm{ij}}}{x_{\max }^j+x_{\min }^j},3\&le;j\&le;6---\left(2\right)$

熵值法确定客观权重：

(1)标准化

${\stackrel{\&OverBar;}{r}}_{\mathrm{ij}}=r_{\mathrm{ij}}/\underset{i=1}{\overset{6}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}},1\&le;j\&le;6---\left(3\right)$

(2)确定信息熵

$H_i=-K\underset{j=1}{\overset{6}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{r}}_{\mathrm{ij}}1n{\stackrel{\&OverBar;}{r}}_{\mathrm{ij}},1\&le;i\&le;N---\left(4\right)$

这里：K=1/lnN

(3)计算权重向量

$w_j^{\mathrm{EW}}=\frac{1-H_i}{6-\underset{j=1}{\overset{6}{\mathrm{\&Sigma;}}}{H}_i},1\&le;i\&le;N---\left(5\right)$

通过熵值法可以得到属性的权重向量：

$W^{\mathrm{EW}}=(w_1^{\mathrm{EW}},w_2^{\mathrm{EW}},w_3^{\mathrm{EW}},w_4^{\mathrm{EW}},w_5^{\mathrm{EW}},w_5^{\mathrm{EW}},w_6^{\mathrm{EW}})$

标准离差法确定客观权重：标准离差法和熵值法计算原理相似。一般在某个网络中一个指标的标准差与指标值的变异程度成正比，如果标准差越大，则该指标的变异程度越大，提供的信息量越大，在评价中发挥作用越大，其权重也越大。反之，则权重越小。本发明计算六个网络统一属性标准差公式为：

${\mathrm{\&sigma;}}_j=\sqrt{\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(r_{\mathrm{ij}}-{\stackrel{\&OverBar;}{r}}_j)}^2}{N}},{\stackrel{\&OverBar;}{r}}_j=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}}}{6},1\&le;j\&le;6---\left(6\right)$

利用标准离差法计算N个异构网络的各指标权重公式如下：

$w_j^{\mathrm{\&sigma;}}=\frac{{\mathrm{\&sigma;}}_j}{\underset{j=1}{\overset{6}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_j},j=\mathrm{1,2},...,6---\left(7\right)$

则网络属性矩阵R＝（r_ij）_N×6利用标准离差法计算出的权重向量为：

$W^{\mathrm{\&sigma;}}=(w_1^{\mathrm{\&sigma;}},w_2^{\mathrm{\&sigma;}},w_3^{\mathrm{\&sigma;}},w_4^{\mathrm{\&sigma;}},w_5^{\mathrm{\&sigma;}},w_6^{\mathrm{\&sigma;}}).$

二、主观权重的确定

本发明主观赋权法采用AHP法以及G-1法。根据业务类型的不同，主观赋权法的判决矩阵会发生变化。AHP法中的判断矩阵为A^AHP，G-1法的判断向量为G^G-1，AHP和G-1法的不同类型判决矩阵分别在表2和表3中给出。表中判决矩阵的数据是根据专家给定根据业务类型的不同对应参数之间相对重要性给出的，并结合Saaty标度依次给出的。

表2为AHP方法中不同业务类型对应的判断矩阵

表3为G-1方法中不同业务类型对应的判断矩阵

业务类型	r2	r3r4r5	r6	排序状况
					会话类业务	1.2	1.611.2	1.2	R>J>B>C>P>L
流媒体业务	1.8	111	1	L>B>P>R>J>C
					交互类业务	1	1.811.4	1	L>C>R>J>B>P
背景类业务	1.2	1.411	1.2	C>L>J>R>B>R

因此在每种业务类型之下，A^AHP和G^G-1分别与表2和表3中判决矩阵对应。AHP法确定主观权重：对应于每种业务类型，结合表2，根据AHP计算权重步骤，特定业务类型条件下，可以算出AHP法确定的主观权重：

$W^{\mathrm{AHP}}=(w_1^{\mathrm{AHP}},w_2^{\mathrm{AHP}},w_3^{\mathrm{AHP}},w_4^{\mathrm{AHP}},w_5^{\mathrm{AHP}},w_6^{\mathrm{AHP}})$

G-1法确定主观权：G-1法确定主观权重分为三个步骤，首先根据某个评价标准对所有评价指标进行重要性排序，然后给定排序后相邻指标的重要程度比值，最后计算各个指标的权重。具体步骤如下：

（1）序关系的确定

对所有评价指标相对于某评价标准重要程度排序，则该异构网络模型下的六种属性在每种业务类型下的重要性排序情况如下：

会话类业务：R>J>B>C>P>L

流媒体业务：L>B>P>R>J>C

交互类业务：L>C>R>J>B>P

背景类业务：C>L>J>R>B>R

（2）相邻属性相对重要性程度判断

在某种评价标准的重要程度排序之下相邻属性之间重要程度之比为：

w_k-1/w_k＝r_k,2≤k≤6(8)

r_k赋值可参照表4，表4来自于G-1法作者为郭亚军的著作《综合评价理论、方法与应用》，科学出版社2007年5月。作者在介绍G-1法时定义了该r值的赋值规则。

表3中各种业务类型下的r值是结合表2和表4给出的，即根据专家给定的各个业务类型下每个属性之间的相对重要性，r值赋值规则，依次给出，从而保证对于所有业务类型的主观判断保持一致。

表4为G-1方法中r值赋值表

rk	说明
		1.0	指标xk-1和xk有相同重要性
1.2	指标xk-1比xk稍微重要
		1.4	指标xk-1比xk明显重要
1.6	指标xk-1比xk强烈重要
		1.8	指标xk-1比xk极端重要

（3）权重的确定

首先计算重要性排序后最重要的属性权重W₆，然后依次计算出后续权重。

权重可以有以下公式确定：

$w_6=\frac{1}{1+\underset{k=2}{\overset{6}{\mathrm{\&Sigma;}}}\underset{i=k}{\overset{6}{\mathrm{\&Pi;}}}{r}_i}---\left(9\right)$

由步骤（2）可以得出后续权重：

w_k-1＝r_k×w_k,k＝6,5,...，2(10)

结合上述公式，并参照表3中r值，某种特定业务类型下的G-1法确定的主观权值向量为：

$W^{G-1}=(w_1^{G-1},w_2^{G-1},w_3^{G-1},w_4^{G-1},w_5^{G-1},w_6^{G-1})$

三、群组决策和相容性检验

群组决策通过集中群体成员智慧来发挥群体决策的优势，因此所选群体成员应当具有代表性并要保证一定数量。本发明所选的四种决策成员分别为层次分析法、熵值法、G-1法和标准离差法，四种决策方法包括两种主观赋权法两种客观赋权法，数量适中，通过群组决策获取网络属性权重参数不仅能利用多个决策者参与时群组决策的优势，更能充分考虑用户要求、业务类型以及网络状况。接下来将介绍运用群组决策和相容性理论组合四种权重向量。

设A＝（a_ij）,B＝（b_ij）和C＝（c_ij）均为n阶正互反矩阵，由A得到的排序向量为W＝（w₁,w₂,...,w_n）^T，矩阵W＝(w_i/w_j)称为A的特征矩阵。定义A和B的乘积C(A,B)＝e^T*A*B*e为A,B的相容度，其中e^T=(1,1,…1)。为了方便，一般取其对数作为相容度，记为一般的，LC（A,B）≥0，如果LC（A,B）=0，则A,B完全相容。

四种赋权法基于同一个网络参数矩阵，由这四种赋权法确定的排序向量分别为W^EW,W^σ,W^AHP和W^G-1，为方便计算，记：

$W^{\mathrm{ew}}=W^1=(w_1^1,w_2^1,w_3^1,w_4^1,w_5^1,w_6^1)$

$W^{\mathrm{\&sigma;}}=W^2=(w_1^2,W_2^2,w_3^2,w_4^2,w_5^2,w_6^2)$

$W^{\mathrm{AHP}}=W^3=(w_1^3,w_2^3,w_3^3,w_4^3,w_5^3,w_6^3)$

$W^{G-1}=W^4=(w_1^4,w_2^4,w_3^4,w_4^4,w_5^4,w_6^4)$

四个排序向量对应的特征矩阵分别为A^EW,A^σ,A^AHP和A^G-1。几何综合平均向量W＝(w₁,w₂,w₃,w₄,w₅,w₆)是对数意义下使得A^EW,A^σ,A^AHP和A^G-1与综合特征矩阵W＝(w_i/w_j)最相容的向量，即使取最小值的向量。如果W＝(w₁,w₂,w₃,w₄,w₅,w₆)使得P取最小值，那么应该有：

$\frac{\&PartialD;P}{\&PartialD;t}=\mathrm{0,1}\&le;t\&le;6---\left(11\right)$

因为解公式得：

$w_t=\left(w_t^{\mathrm{EW}}{w}_t^{\mathrm{\&sigma;}}{w}_t^{\mathrm{AHP}}{w}_t^{G-1}\right)/\underset{t=1}{\overset{6}{\mathrm{\&Sigma;}}}(w_t^{\mathrm{EW}}{w}_t^{\mathrm{\&sigma;}}{w}_t^{\mathrm{AHP}}{w}_t^{G-1}{)}^{1/4}=\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)/\underset{t=1}{\overset{6}{\mathrm{\&Sigma;}}}{\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)}^{1/4}---\left(12\right)$

结合上述公式，得到四种权重向量的几何综合平均向量：

W＝(w₁,w₂,w₃,w₄,w₅,w₆)

综合特征矩阵：A＝[(w_i/w_j)],1≤i,j≤6

该方法把指标SI（A,B）=C(A,B)/n²称为矩阵A,B的相容性指标。一般地，A与W具有相容性，但是，A和W的相容性完全由A决定，而当认为A和W具有满意的相容性。因此为了便于判断，该方法取作为相容性指标的边界值，边界值在表5中给出。表5是《***工程理论与实践》2000年2月（第2期）刊载的“相容性与群组决策”，中国人民大学王莲芬，其中计算得出的，本发明只需使用表5中数据检验方法过程量的合理性，因此在此直接引用其数据。

表5为S.I.临界值

当衡量A和B是否相容时，当时该方法认为A和B具有令人满意的相容性。

为保证组合向量的合理性，对合成权重进行相容性检验，即判断矩阵A是否和A^EW,A^σ,A^AHP和A^G-1分别具有满意的相容性，它们的相容性指标分别为：

${\mathrm{SI}}_1=\mathrm{SI}(A,A^{\mathrm{EW}})=C(A,A^{\mathrm{EW}})/6^2\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j/w_j)(w_j^{\mathrm{EW}}/w_i^{\mathrm{EW}})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{\mathrm{EW}})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{\mathrm{EW}}/w_j)/6^2---\left(13\right)$

${\mathrm{SI}}_2=\mathrm{SI}(A,A^{\mathrm{\&sigma;}})=C(A,A^{\mathrm{\&sigma;}})/6^2=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_j)(w_j^{\mathrm{\&sigma;}}/w_i^{\mathrm{\&sigma;}})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{\mathrm{\&sigma;}})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{\mathrm{\&sigma;}}/w_j)/6^2---\left(14\right)$

${\mathrm{SI}}_3=\mathrm{SI}(A,A^{G-1})=C(A,A^{G-1})/6^2=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_j)(w_j^{G-1}/w_i^{G-1})=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_i/w_i^{G-1})\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}(w_j^{G-1}/w_j)/6^2---\left(15\right)$

${\mathrm{SI}}_4=\mathrm{SI}(A,A^{\mathrm{AHP}})=C(A,A^{\mathrm{AHP}})/6^2---\left(16\right)$

当四个相容性指标同时小于同阶相容性指标临界值则说明合成的权重符合相容性要求。

四、网络选择

利用群组决策得到的满足相容性要求的几何综合权值向量来进行网络选择，即获取权重之后，结合SAW方法，每个网络的性能函数可以表示为：

$F=\underset{j=1}{\overset{6}{\mathrm{\&Sigma;}}}{w}_j{r}_{\mathrm{ij}},1\&le;i\&le;N---\left(17\right)$

最佳网络为：

$F^{*}=\arg \underset{i\&Element;N}{\max }\underset{j\&Element;6}{\mathrm{\&Sigma;}}{w}_j{r}_{\mathrm{ij}}---\left(18\right)$

综上所述，本发明的有益之处通过仿真结果给出：

仿真中的异构网络分别是WLAN、UMTS与WIMAX，每种类型包含两个网络。本发明在仿真中与现有技术比较：在仿真图中用“EW”代表《无线电工程》2009年第39卷第1期刊载的“一种多属性决策的异构网络选择算法”，作者：王康，曾志民，冯春燕，张天魁（北京邮电大学通信网络综合技术研究所）中的方法，仿真图中用“GRA”代表《InformationComputingandApplicationsLectureNotesinComputerScience》出版的编号为“6377/2010:213-220”文献“ANovelAHPandGRABasedHandoverDecisionMechanisminHeterogeneousWirelessNetworks”中的方法。网络选择中涉及的属性参数为可用带宽（AvailableBandwidth,B）、峰值传输速率（PeakDataRate,R）、包时延（PacketDelay,D）、包抖动（PacketJitter,J）、包丢失（PacketDelay,D）与每比特费用（CostPerBit,C），表6所示。而表6中三种异构网络，即UMTS、WLAN和WiMAX，它们的六种属性的分布范围是根据实际应用中统计的网络属性数据给出的。

表6为网络属性参数

属性参数	UMTS1	UMTS2	WLAN1	WLAN2WiMAX1WiMAX2
					B(MHz)	0.1-2	0.1-2	1-11	1-541-601-60
R(Mbps)	2	2	11	546060
					D(ms)	25-50	25-50	100-150	100-15060-10060-100
J(ms)	5-10	5-10	10-20	10-203-103-10
					L(per106)	20-80	20-80	20-80	20-8020-8020-80
C(price)	0.6	0.8	0.1	0.050.50.4

仿真中选择4种业务类型来衡量算法性能，具体仿真结果如图3-图13所示。

图3-图5给出了会话类业务的性能。会话类业务的语音通信要求低时延以及较低带宽，而视频通信要求低时延以及足够带宽，因此表2和表3的判决矩阵中会话类业务更看重时延抖动状况。从图中可以看出，对比其他两种方法，本发明方法可以提供最优的时延和抖动性能以及令人满意的带宽，从而可以满足用户的QoS要求。

图6-图8给出了流媒体业务的性能。流媒体业务要求较高的误码率并允许一定时延，对带宽要求较高，因此表2和表3的判决矩阵中会话类业务更看重吞吐量状况。从图中可以看出，对比其他两种方法，本发明方法可以提供最佳抖动状态，令人满意的丢包率以及最优的带宽性能，从而可以满足用户的QoS要求。

图9-图11给出了交互型业务的性能。交互类业务对误码率有一定要求，相对较低时延以及相对较高的数据下行速率，因此表2和表3的判决矩阵中会话类业务更看重丢包率状况。从图中可以看出，对比其他两种方法，本发明方法可以在最低代价前提下提供最佳丢包率性能以及较高的吞吐量，从而可以满足用户的QoS要求。

图12-图13给出了背景类业务的性能。背景类业务对时延要求很低，有较高的误码率要求，因此表2和表3的判决矩阵中会话类业务更看重丢包率状况。从图中可以看出，对比其他两种方法，本发明方法可以在最低代价前提下提供最佳丢包率性能，从而可以满足用户的QoS要求。因此，根据上述仿真结果并结合各种业务类型的特点，可以得出结论，本方法可以根据业务类型提供令用户满意的QoS。

本发明运用群组决策理论对多属性决策中多种权重向量进行组合，提出了一种网络选择方法。该方法采用群组决策理论获取综合网络属性权重时，采用四个决策者，数量适中并分别具有代表性，综合权重通过相容性理论检验保证其合理性，即权重的确定明确而又有充分理论支撑，并正确充分利用组合理论，网络选择过程又不至于过分复杂。网络选择过程中通过综合多个决策者智慧达到考虑网络客观属性、用户偏好以及业务类型的影响，即能将其他方法无法兼顾的方面统筹兼顾，实践证明，该方法能根据业务类型的不同通过给定不同的判决矩阵为不同业务类型下的用户提供满意的QoS。

Claims (1)

1.一种基于四种权值向量的异构网络选择方法，其特征在于该方法包括以下步骤：

a.网络参数矩阵的建立：本方法的异构网络模型包含N种异构网络，选取的网络属性包括带宽(B)、峰值传输速率(R)、包时延(D)、包抖动(J)、丢包率(L)和每比特费用(C)；

假设该方法的网络属性矩阵为R＝(x_ij)_N×6，即N个异构网络数目，6种网络属性，x_ij表示第i个网络的第j个属性，而x_i1表示第i个网络的带宽，x_i2表示第i个网络的峰值传输速率，x_i3表示第i个网络的时延，x_i4表示第i个网络的抖动，x_i5表示第i个网络的丢包率，x_i6表示第i个网络的每比特费用，并且1<＝i<＝N，1<＝j<＝6；

b.网络属性参数标准化：首先将网络属性矩阵进行标准化处理，一般而言，属性分为效益型和成本型，效益型的属性越大越好：取成本型的属性越小越好：取 $x_{\min }^j=min(x_{1j},x_{2j},...,x_{Nj});$

对于带宽(B)和峰值传输速率(R)，它们属于效益型属性，标准化处理公式为： $r_{ij}=\frac{x_{ij}}{x_{max}^j+x_{min}^j},1\&le;j\&le;2;$

对于包时延(D)、包抖动(J)、丢包率(L)和每比特费用(C)，它们属于成本型属性，标准化处理公式为： $r_{ij}=\frac{x_{max}^i+x_{min}^i-x_{ij}}{x_{max}^j+x_{min}^j},3\&le;j\&le;6;$

标准化后所有属性参数都将落在0和1之间，标准化后的网络参数矩阵为：R＝(r_ij)_N×6；

c.四组权重向量的确定：将此标准化的网络属性矩阵分别结合熵权法和标准离差法计算出两组客观权重向量，分别为：和 $W^{\mathrm{\&sigma;}}=W^2=(w_1^2,w_2^2,w_3^2,w_4^2,w_5^2,w_6^2);$

根据给定的AHP方法中不同业务类型对应的判断矩阵表2：

结合网络属性矩阵利用AHP方法计算出一组主观权重向量：同样的，根据给定的G-1方法中不同业务类型对应的判断矩阵表3：

业务类型 r₂ r₃ r₄ r₅ r₆ 排序状况2 --> 会话类业务 1.2 1.6 1 1.2 1.2 R>J>B>C>P>L 流媒体业务 1.8 1 1 1 1 L>B>P>R>J>C 交互类业务 1 1.8 1 1.4 1 L>C>R>J>B>P 背景类业务 1.2 1.4 1 1 1.2 C>L>J>R>B>R

其中r_k,2≤k≤6为重要程度排序之下相邻属性之间重要程度之比；

利用G-1方法计算出另一种主观权重向量： $W^{G-1}=W^4=(w_1^4,w_2^4,w_3^4,w_4^4,w_5^4,w_6^4);$

d.确定综合权重向量及相容性指标：设A＝(a_ij)，B＝(b_ij)和C＝(c_ij)均为n阶正互反矩阵，由A得到的排序向量为：W＝(w₁,w₂,...,w_n)^T，矩阵W＝(w_i/w_j)称为A的特征矩阵；定义矩阵A和矩阵B的乘积C(A,B)＝e^T*A*B*e为矩阵A,B的相容度，其中e^T＝(1,1,…1)；把指标SI(A,B)＝C(A，B)/n²称为矩阵A，B的相容性指标；

一般地，A与W具有相容性，但是，A和W的相容性完全由A决定，而当认为A和W具有满意的相容性；为获取几何综合权重向量，将计算出的四组权重向量进行群组决策，结合公式：

$w_t=\left(w_t^{EW}{w}_t^{\mathrm{\&sigma;}}{w}_t^{AHP}{w}_t^{G-1}\right)/\underset{t=1}{\overset{6}{\&Sigma;}}{\left(w_t^{EW}{w}_t^{\mathrm{\&sigma;}}{w}_t^{AHP}{w}_t^{G-1}\right)}^{1/4}=\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)/\underset{t=1}{\overset{6}{\&Sigma;}}{\left(w_t^1{w}_t^2{w}_t^3{w}_t^4\right)}^{1/4}$ 计算出几何综合平均向量W以及其特征矩阵A；步骤c中确定的四个排序向量分别为W^EW,W^σ,W^AHP和W^G-1，根据特征矩阵的定义可以确定它们对应的特征矩阵分别为A^EW,A^σ,A^AHP和A^G-1，然后根据相容性指标的定义确定这四个特征矩阵和几何综合评价向量W的相容性指标分别为：

${\mathrm{SI}}_1=SI(A,A^{EW})=C(A,A^{EW})/6^2=\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}(w_i/w_j)(w_j^{EW}/w_i^{EW})=\underset{i=1}{\overset{M}{\&Sigma;}}(w_i/w_i^{EW})\underset{j=1}{\overset{M}{\&Sigma;}}(w_j^{EW}/w_j)/6^2$

${\mathrm{SI}}_2=SI(A,A^{\mathrm{\&sigma;}})=C(A,A^{\mathrm{\&sigma;}})/6^2=\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}(w_i/w_j)(w_j^{\mathrm{\&sigma;}}/w_i^{\mathrm{\&sigma;}})=\underset{i=1}{\overset{M}{\&Sigma;}}(w_i/w_i^{\mathrm{\&sigma;}})\underset{j=1}{\overset{M}{\&Sigma;}}(w_j^{\mathrm{\&sigma;}}/w_j)/6^2$

${\mathrm{SI}}_3=SI(A,A^{G-1})=C(A,A^{G-1})/6^2=\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{M}{\&Sigma;}}(w_i/w_j)(w_j^{G-1}/w_i^{G-1})=\underset{i=1}{\overset{M}{\&Sigma;}}(w_i/w_i^{G-1})\underset{j=1}{\overset{M}{\&Sigma;}}(w_j^{G-1}/w_j)/6^2$

SI₄＝SI(A,A^AHP)＝C(A,A^AHP)/6²，分别计算特征矩阵A和四种权重向量的特征矩阵A^EW,A^σ,A^AHP和A^G-1的相容性指标；

e.相容性检验：为了便于判断，取作为相容性指标的边界值；

当衡量A和B是否相容时，当时该方法认为A和B具有令人满意的相容性；在此步骤中将判断这些指标是否同时小于同阶相容性指标临界值表5：

如果不满足相容性指标，则需要修改此种业务类型之下的主观判决矩阵，返回到步骤c；如果满足，将进入网络选择环节；

f.网络选择：前几步计算出了六个属性的满足相容性指标的几何综合权重向量，在此步骤中，几何综合权重向量结合SAW法计算每个网络的代价函数值，对其排序，取代价函数值最大的网络作为目标网络，从而得到这种网络状态下的最佳网络编号。